 班级规模及环境--热线:4008699035 手机:15921673576( 微信同号) |
|
每期人数限3到5人。 |
| 上课时间和地点 |
上课地点：【上海】：同济大学(沪西)/新城金郡商务楼(11号线白银路站) 【深圳分部】：电影大厦(地铁一号线大剧院站)/深圳大学成教院 【北京分部】：北京中山学院/福鑫大楼 【南京分部】：金港大厦(和燕路) 【武汉分部】：佳源大厦（高新二路） 【成都分部】：领馆区1号（中和大道） 【沈阳分部】：沈阳理工大学/六宅臻品 【郑州分部】：郑州大学/锦华大厦 【石家庄分部】：河北科技大学/瑞景大厦 【广州分部】：广粮大厦 【西安分部】：协同大厦
最近开课时间(周末班/连续班/晚班）：2020年3月16日 |
| 实验设备 |
☆资深工程师授课
☆注重质量
☆边讲边练
☆合格学员免费推荐工作
★实验设备请点击这儿查看★ |
| 质量保障 |
1、培训过程中，如有部分内容理解不透或消化不好，可免费在以后培训班中重听；
2、培训结束后,授课老师留给学员联系方式,保障培训效果,免费提供课后技术支持。
3、培训合格学员可享受免费推荐就业机会。 |
课程大纲 |
课程介绍
在国内，“数据挖掘”作为一门复合型应用学科，其在商业领域的实践应用及推广只有十几年的时间，在此期间，国内虽然陆续出版了一些相关的书籍，但是绝大多数都是基于理论或者国外经验来阐述的，少有针对国内企业相关商业实战的详细介绍和分享，更缺乏从数据分析师的角度对商业实战所进行的总结和归纳。因此，从商业应用出发，基于大量的商业实战案例而不是基于理论探讨的数据挖掘应用书籍成为当今图书市场和广大“数据挖掘”学习者的共同需求。
课程目标
了解数据化运营基础理论
了解数据化运营需要的常见技术手段与场景
培训对象
了解数据化运营基础理论
了解数据化运营需要的常见技术手段与场景
拥有大数据挖掘需求的人员
正在工作中面临大数据挖掘问题的架构师，分析师等
课程内容
第1个主题： 电商大鳄逐鹿中原、数据驱动主宰沉浮
第2个主题： 大数据生态体系介绍（深入理解大数据的生态体系）（30分钟）
1、 大数据生态体系介绍
2、 大数据支撑----云计算
3、 大数据核心----海量数据
4、 大数据灵魂----大数据技术
5、 大数据价值----大数据商业思维
6、 大数据企业应用障碍分析
第3个主题： 大数据技术在大型互联网公司中的实际应用（深入理解大数据作用与意义）（60分钟）
1、 电商遇到的问题
2、 大型互联网企业遇到的问题
3、 大数据主要解决的问题
4、 实例分享：淘宝双十一
5、 实例分享：腾讯QQ
6、 实例分享：百度文库
7、 实例分享：打车大战
8、 大数据的作用
9、 战略决策和精细化管理
10、 大数据网络营销
第4个主题： 大数据企业级平台选型（大数据时代企业级技术选型分享）（30分钟）
1、 实例分享：淘宝技术变迁
2、 实例分享：京东技术变革
实例分享：滴滴打车技术变革
第5个主题： 什么是数据化运营
1. 现代营销理论的发展历程
a) 从4P到4C
b) 从4C到3P3C
2. 数据化运营的主要内容
3. 为什么要数据化运营
4. 数据化运营的必要条件
a) 企业级海量数据存储的实现
b) 精细化运营的需求
c) 数据分析和数据挖掘技术的有效应用
d) 企业决策层的倡导与持续支持
5. 数据化运营的新现象与新发展
第6个主题： 大数据挖掘与分析介绍（全面理解大数据挖掘概念与分析技术）（120分钟）
1、 数据分析基本概念
2、 数据分析算法
3、 数据分析工具
4、 数据分析流程
5、 数据分析范畴
6、 数据挖掘基本概念
7、 数据挖掘模型
8、 数据挖掘目标
9、 数据挖掘数据质量
10、 数据挖掘的9大定律
11、 数据挖掘发展趋势
12、 数据挖掘的工具
a) 数据采集工具
b) 客户端数据分析工具
c) 客户端数据挖掘工具
d) 数据存储——数据库系统
13、 数据挖掘的主要成熟技术以及在数据化运营中的主要应用
1. 决策树
2. 神经网络
3. 回归
4. 关联规则
5. 聚类
6. 贝叶斯分类方法
7. 支持向量机
8. 主成分分析
9. 假设检验
14、 数据化运营中常见的数据分析项目类型
1. 目标客户的特征分析
2. 目标客户的预测（响应、分类）模型
3. 运营群体的活跃度定义
4. 用户路径分析
5. 交叉销售模型
6. 信息质量模型
7. 服务保障模型
15、 数据化运营是跨专业、跨团队的协调与合作
a) 数据分析团队与业务团队的分工和定位
b) 数据化运营是真正的多团队、多专业的协同作业
c) 实例示范数据化运营中的跨专业、跨团队协调合作
第2天
第7个主题： 分析师常见的错误观念和对治的管理策略
8. 轻视业务论
9. 技术万能论
10. 技术尖端论
11. 建模与应用两段论
12. 机器万能论
第8个主题： 数据挖掘项目完整应用案例演示
1. 项目背景和业务分析需求的提出
2. 数据分析师参与需求讨论
3. 制定需求分析框架和分析计划
4. 抽取样本数据、熟悉数据、数据清洗和摸底
5. 按计划初步搭建挖掘模型
6. 与业务方讨论模型的初步结论，提出新的思路和模型优化方案
7. 按优化方案重新抽取样本并建模，提炼结论并验证模型
8. 完成分析报告和落地应用建议
9. 制定具体的落地应用方案和评估方案
10. 业务方实施落地应用方案并跟踪、评估效果
11. 落地应用方案在实际效果评估后，不断修正完善
12. 不同运营方案的评估、总结和反馈
13. 项目应用后的总结和反思
第9个主题： 用户特征分析
1. 用户特征分析所适用的典型业务场景
2. 寻找目标用户
3. 寻找运营的抓手
4. 用户群体细分的依据
5. 新品开发的线索和依据
6. 用户特征分析的典型分析思路和分析技术
7. 3种划分的区别
8. RFM
9. 聚类技术的应用
10. 决策树技术的应用
11. 预测（响应）模型中的核心自变量
12. 假设检验的应用
13. 特征提炼后的评价体系
14. 用户特征分析与用户预测模型的区别和联系
15. 用户特征分析案例
第10个主题： 运营效果分析的典型应用和技术小窍门
1. 为什么要做运营效果分析
2. 统计技术在数据化运营中最重要最常见的应用
3. 为什么要进行假设检验
4. 假设检验的基本思想
5. T检验概述
6. 两组独立样本T检验的假设和检验
7. 两组独立样本的非参数检验
8. 配对差值的T检验
9. 配对差值的非参数检验
10. 方差分析概述
11. 单因素方差分析
12. 多个样本组的非参数检验
13. 卡方检验
14. 控制变量的方法
15. AB Test
第11个主题： 漏斗模型和路径分析
1. 漏斗模型和路径分析
2. 网络日志和布点
3. 日志布点
4. 日志采集
5. 日志解析
6. 日志分析
7. 漏斗模型与路径分析的主要区别和联系
8. 漏斗模型的主要应用场景
9. 运营过程的监控和运营效率的分析与改善
10. 用户关键路径分析
11. 产品优化
12. 路径分析的主要应用场景
13. 路径分析的主要算法
14. 社会网络分析方法
15. 基于序列的关联分析
16. 最朴素的遍历方法
17. 路径分析案例的分享
第12个主题： 数据分析师对业务团队数据分析能力的培养
1. 培养业务团队数据分析意识与能力的重要性
2. 数据分析师在业务团队数据分析意识能力培养中的作用
3. 数据分析师如何培养业务团队的数据分析意识和能力
4. 数据分析师培养业务团队数据分析意识能力的案例分享 |
|
|
|
首页 课程表 在线聊 报名 讲师 品牌 QQ聊 活动 就业
